GEO 511 MASTER’S THESIS Demonstrating Spatial Patterns in the Construction & use of the GeoNames Gazetteer Data Source: Oxford Internet Institute Author Supervisor/Faculty Representative Yamgouet Monique Ndam Prof. Dr Ross .S. Purves S 12-745-253 [email protected] Stockenstrasse 3 8802 Kilchberg, Zürich [email protected] Submission Date: January 2015 i Acknowledgements This thesis wouldn’t have been complete without the help of others: • Prof Ross Purves for his time, effort and patience with me during this thesis, • Mr. & Mrs. Helbing for making it possible for me to travel to Switzerland for further studies, their continuous love, support and encouragement during this time, they made sure I was comfortable and lacked nothing which could distract me from my studies. • Mr. & Mrs. Eyoum; my parents, for their unending parental love, the messages, calls and encouraging words all the way from Cameroon kept me till the end of this academic journey • Prof Fombe Lawrence Fon for his numerous emails and phone calls to remind me of my potentials encouraging me and letting me know I can do this and make him proud. • Brenda Nabila my loving aunty and who had my back all the time • My brothers Jerry, Junior, Frederick Lot and George Willibroad for their fervent prayers that kept me safe and sound • Besong Enoh Belsham Besong for his unending support and encouragement during the course of my studies. • Yvonne Engemise, Akum Stephanie, Adeline Bofon and Bahauline Finjap for their sisterly love and concern. • Mbong Johnson, Hildermar Cruz for their time and support. ii Abstract Placenames also known as toponyms are names of places used by people on daily basis to identify or refer to a particular geographic location, these placenames are registered in books called gazetteers, most often than not, one placename could refer to multiple places and in different locations (ambiguity) and as such, care must be taken when referring a placename to a location. Placenames and also other information related to them are collected by administrative bodies or individuals and stored in books or records called gazetteers, it is uncertain if the information contained by the country’s gazetteers have the same information as the world GeoNames gazetteer, as such one could search for a placenames in gazetteer, find some and not find others .Gazetteers are dictionaries of placenames; “they illustrate the largest freely available dictionary of geographic placenames per spatial unit, that is a square of one tenth degree of latitude and one tenth degree of longitude covering the globe used in conjunction with a map or atlas it is based on freely available national gazetteers and data sets as well as volunteered geographic information”(Bruner et al., 2008). Most gazetteers are free and open sourced and they give the exact position of a placename on the map. There are so many kinds of gazetteers, each having different contents and they are usually used for Geocoding (associating places to coordinates) , Geotagging , Geoparsing (recognizing a word as a place or location) and Georeferencing information from news and social network streams (Zhang et al., 2014) to compare data as well as to search and store information. National newspapers from three chosen countries (Cameroon, Switzerland and Sri Lanka) will be read and the placenames will be identified in their text by hand; these placenames will be used to create a Gold Standard list which will later be used to compare with the placenames from GeoNames data and SwissNames (Switzerland names atlas), the news corpora are both from online (Sri Lanka Daily News online) and published sources (Cameroon Tribune and NZZ). Input of placenames data into the GeoNames gazetteer database for Haiti, Sri Lanka and Somalia will also be analysed to see if there exists any bias in data input or construction of this gazetteer. A dot density map will be produced from the coordinates in the GeoNames data to show the spatial distribution of placenames on space, this dot density map will also be used to produce a Kernel Density Estimation in order to describe the placename distribution and clustering (Cheshire et al., 2012) and to see if placename and population have the same hotpots per country, In order to know if there is a relationship between placenames and population, Regression Analysis will be carried out between placename per region and population count per region to see what kind of correlation exists. The results will be analysed under various aspects such as number of placenames not available in the GeoNames database but available in the newspapers and atlases. Bias in the construction of the GeoNames data will be demonstrated by a cumulative graph to show the lag that exists in the input data of various countries, dot density map to show placename distribution in space, Regression analysis will be used to see what kind of correlation or relationship exists between population and placenames. iii Résumé Noms de lieux aussi connus que les toponymes sont des noms de lieux utilisés par les personnes sur une base quotidienne pour identifier ou se référer à un lieu géographique particulier, ces toponymes sont enregistrés dans les livres appelés nomenclatures, plus souvent qu'autrement, une toponyme peut se référer à plusieurs endroits et à différents endroits (ambiguïté) et en tant que telle, il faut prendre soin pour désigner un nom de lieu à un emplacement. Noms de lieux et d'autres informations qui leur sont liées sont collectées par des instances administratives ou des individus et stockés dans des livres ou des enregistrements appelés répertoires toponymiques, il est incertain que les informations contenues par les nomenclatures du pays ont les mêmes informations que l'GeoNames mondiaux répertoire toponymique, en tant que telle ne pouvait rechercher pendant toponymes dans les nomenclatures, trouver certains et pas trouver d'autres .Les nomenclatures sont des dictionnaires de noms de lieux; « Elles illustrent le plus grand dictionnaire libre disposition des toponymes géographiques par unité spatiale, ce est un carré de dixième degré de latitude et dixième degré de longitude couvrant le monde entier utilisé en conjonction avec une carte ou un atlas elle est basée sur des nomenclatures nationales librement disponibles et des ensembles de données ainsi que l'information géographique volontaire »(Bruner et al., 2008). La plupart des nomenclatures sont gratuits et open source et ils donnent la position exacte d'un toponyme sur la carte. Il y a tellement de sortes de répertoires toponymiques, chacune ayant des teneurs différentes et ils sont généralement utilisés pour le géocodage (associant endroits aux coordonnées), Géolocalisation, Géosémantique (reconnaître un mot comme un lieu ou d'un emplacement) et des informations Georeferencing de nouvelles et réseaux sociaux flux (Zhang et al., 2014) pour comparer les données ainsi que de rechercher et de stocker des informations. Les journaux nationaux de trois pays choisis (Cameroun, Suisse et Sri Lanka) seront lus et les noms de lieux seront identifiés dans leur texte à la main; ces noms de lieux seront utilisés pour créer une liste Gold Standard qui sera ensuite utilisé pour comparer avec les toponymes de données et SwissNames toponymie (noms Suisse atlas), les nouvelles corpus sont à la fois de ligne (Sri Lanka Daily Nouvelles en ligne) et les sources publiées (Cameroun Tribune et NZZ). Entrée des toponymes données dans la base de données de nomenclature GeoNames pour Haïti, au Sri Lanka et en Somalie sera également analysé pour voir se il existe un biais dans l'entrée ou à la construction de ce répertoire toponymique données. Une carte de densité de points sera produite à partir des coordonnées dans les données de la toponymie de montrer la distribution spatiale des toponymes sur l'espace, cette carte de densité de points sera également utilisé pour produire une estimation des noyaux de densité pour décrire la distribution des noms de lieux et de regroupement (Cheshire et al., 2012) et pour voir si toponyme et la population ont les mêmes potées par pays, afin de savoir se il ya une relation entre les noms de lieux et de la population, l'analyse de régression sera réalisée entre toponyme par région et la population compte par région pour voir quel genre de corrélation existe. Les résultats seront analysés sous différents aspects tels que le nombre de noms de lieux ne sont pas disponibles dans la base de données des noms géographiques, mais disponibles dans les journaux et des atlas. Préjugé dans la construction des données de la toponymie sera démontré par un graphique cumulatif de montrer le décalage qui existe dans les données d'entrée des différents pays, carte dot densité de montrer la distribution des noms de lieux dans l'espace, l'analyse de régression sera utilisé pour voir quel genre de corrélation ou relation existe entre la population et les toponymes. iv Zusammenfassung Ortsnamen, auch Toponyms genannt sind Namen von Orten, gebraucht, von den Leuten für die tägliche Identifizierung oder um auf einen bestimmten geografischen Standort zu verweisen. Diese Ortsnamen sind in Büchern, genannt Ortsverzeichnisse, meistens als nicht. Ein Ortsname kann auf verschiedene Standorte verweisen (Mehrdeutigkeit) und als solches muss Vorsicht geboten werden, wenn Ortsname zu einem Standort genommen wird. Ortsnamen und andere Informationen in diesem Zusammenhang werden von Behörden oder Privatpersonen gesammelt und in Bücher oder Unterlagen sogenannten Ortsverzeichnissen gespeichert, es ist ungewiss, ob die Ortsverzeichnisse des Landes die gleichen Angaben enthalten, wie die gleichen Informationen wie die Welt GeoNames Ortsverzeichnisse, die als solche eine Suche sein könnte für einen Ortsnamen im Ortsverzeichnis, finden sie einige und andere finden sie nicht. Ortsverzeichnisse sind Wörterbücher für geografische Namen; „Das grösste freie Lexikon über geografische Ortsnamen pro Raumeinheit zu veranschaulichen sie, das ist ein Platz von einem Zehntel Breitengrad und den zehnten Längengrad für den Globus in Verbindung mit einer Karte oder Atlas verwendet sie auf geografische Informationen“ (Brunner et al., 2008).